অনেকগুলি রয়েছে - এবং কী সর্বোত্তম কাজ করে তা ডেটার উপর নির্ভর করে। প্রতারণা করার অনেকগুলি উপায় রয়েছে - উদাহরণস্বরূপ, আপনি কোনও শ্রেণিবদ্ধের ফলাফলের উপর সম্ভাব্যতা ক্রমাঙ্কন সম্পাদন করতে পারেন যা স্কোরের কিছুটা লক্ষণ দেয় (যেমন: ওজন ভেক্টর এবং ইনপুটগুলির মধ্যে একটি বিন্দু পণ্য)। এর সর্বাধিক সাধারণ উদাহরণকে বলা হয় প্লেটের স্কেলিং।
অন্তর্নিহিত মডেলটির আকারের বিষয়টিও রয়েছে। আপনার যদি আপনার ডেটার সাথে বহুভিত্তিক ইন্টারঅ্যাকশন হয় তবে ভ্যানিলা লজিস্টিক রিগ্রেশন এটি ভালভাবে মডেল করতে সক্ষম হবে না। তবে আপনি লজিস্টিক রিগ্রেশনটির কার্নেলযুক্ত সংস্করণটি ব্যবহার করতে পারেন যাতে মডেলটি আরও ভালভাবে ডেটা ফিট করে। আপনি সাধারণত শ্রেণিবদ্ধের যথার্থতাও উন্নতি করছেন বলে এটি সাধারণত সম্ভাবনার আউটপুটগুলির "ধার্মিকতা" বৃদ্ধি করে।
সাধারণত, বেশিরভাগ মডেল যা সম্ভাবনা দেয় তারা সাধারণত একটি লজিস্টিক ফাংশন ব্যবহার করে, তাই এটির তুলনা করা শক্ত। এটি কেবল অনুশীলনে ভাল কাজ করার ঝোঁক দেয়, বায়েশিয়ান নেটওয়ার্কগুলি একটি বিকল্প। নায়েভ বেয়েস তার সম্ভাব্যতাগুলি যে কোনও ভাল হওয়ার জন্য খুব সহজ ধারণা তৈরি করেছে - এবং এটি কোনও যুক্তিসঙ্গত আকারের ডেটা সেটে সহজেই পরিলক্ষিত হয়।
শেষ পর্যন্ত, এটি সম্ভবত আপনার সম্ভাবনা অনুমানের গুণমান বাড়ানো সহজ করে মডেলটিকে বাছাই করে যা ডেটার আরও ভাল উপস্থাপন করতে পারে। এই অর্থে, আপনি কীভাবে সম্ভাব্যতা পান তা খুব বেশি গুরুত্ব দেয় না। আপনি যদি লজিস্টিক রিগ্রেশন সহ 70% নির্ভুলতা এবং এসভিএম দিয়ে 98% সঠিকতা পেতে পারেন - তবে কেবলমাত্র "সম্পূর্ণ আত্মবিশ্বাস" সম্ভাবনা দেওয়া বেশিরভাগ স্কোরিং পদ্ধতি দ্বারা আপনাকে ফলাফলগুলি "আরও ভাল" করে তুলবে, যদিও তারা সত্যিকার সম্ভাবনা নয় (এবং তারপরে আপনি পূর্বে উল্লিখিত ক্রমাঙ্কনটি করতে পারেন, সেগুলিকে প্রকৃতপক্ষে আরও ভাল করে তুলুন)।
সঠিক শ্রেণিবদ্ধার পেতে না পারার প্রসঙ্গে একই প্রশ্নটি আরও আকর্ষণীয় তবে আমি নিশ্চিত নই যে এ জাতীয় দৃশ্যের তুলনায় যে কেউ পড়াশোনা করেছেন / তুলনা করেছেন।